一个基于 SpringBoot + Mybatis + Vue 的代码生成器

vue-code-generate:代码生成工具 工具 使用场景 vue + element-ui + 不想写重复的组件代码 结合vscode插件 TODO Highlight使用 效果更加,会高亮需要插入业务代码的区域 使用方法 cd ${项目目录} 选择生成方式 代码片段 文件地址 输入要生成的文件地址:${相对路径|绝对路径} 选择组件组织: ${el|公司组件内部沉淀的组件前缀} 选择组件类型: compTypes的某一个 compTypes dialog table form tabs 立即下载

点击上方“芋道源码”,选择“设为星标”

管她前浪,还是后浪?

能浪的浪,才是好浪!

每天 8:55 更新文章,每天掉亿点点头发...

源码精品专栏

 

来源:gitee.com/durcframework/code-gen


code-gen

一款代码生成工具,可自定义模板生成不同的代码,支持MySQL、Oracle、SQL Server、PostgreSQL。

  • 只需要一个Java8环境,下载后即可运行使用。

  • 步骤简单,只需配置一个数据源,然后勾选模板即可生成代码。

  • 默认提供了通用的实体类、mybatis接口、mybatis配置文件模板,可以快速开发mybatis应用。

用到的技术:SpringBoot + Mybatis + Vue

使用步骤

  • 前往发行版页面,下载最新版本zip文件

  • 解压zip,如果是Mac/Linux操作系统,运行startup.sh文件启动,Windows操作系统运行cmd输入java -jar gen.jar启动

  • 浏览器访问http://localhost:6969/

默认端口是6969,更改端口号按如下方式:

  • Mac/Linux操作系统:打开startup.sh文件,修改--server.port参数值

  • Windows操作系统:可执行:java -jar gen.jar --server.port=端口号

docker运行

  • 方式一:下载公共镜像

docker pull tanghc2020/gen:latest

下载完毕后,执行docker run --name gen -p 6969:6969 -d <镜像ID>

浏览器访问http://ip:6969/

  • 方式二:本地构建镜像

clone代码,然后执行docker-build.sh脚本

执行docker run --name gen -p 6969:6969 -d <镜像ID>

其它

  • 快速搭建SpringBoot+Mybatis应用

  • 更多模板

工程说明

  • front:前端vue

  • gen:后端服务

  • db:数据库初始化文件

  • script:辅助脚本

自主构建

需要安装Maven3,Java8

  • 自动构建[推荐]:

Mac/Linux系统可直接执行build.sh进行构建,构建结果在dist文件夹下。

  • 手动构建:

    cd front

    cd ..

    • 执行mvn clean package,在gen/target下会生成一个gen-xx-SNAPSHOT.jar(xx表示本号)

    • 将gen-xx-SNAPSHOT.jar和db下的gen.db放在同一个文件夹下

    • 执行java -jar gen-xx-SNAPSHOT.jar

    • 浏览器访问http://localhost:6969/

    • 执行npm run build:prod进行打包,结果在dist下

    • 把dist中的所有文件,放到gen/src/main/resources/public下

效果图

代码生成
生成结果


欢迎加入我的知识星球,一起探讨架构,交流源码。加入方式,长按下方二维码噢:

已在知识星球更新源码解析如下:

最近更新《芋道 SpringBoot 2.X 入门》系列,已经 20 余篇,覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

提供近 3W 行代码的 SpringBoot 示例,以及超 4W 行代码的电商微服务项目。

获取方式:点“在看”,关注公众号并回复 666 领取,更多内容陆续奉上。

兄弟,艿一口,点个赞!????

基于Vue的Element UI表单设计及代码生成器设计源码 本项目是基于Vue的Element UI表单设计及代码生成器设计源码,包含179个文件,其中120个JavaScript文件,21个SVG文件,15个Vue文件。该系统旨在提供一个便捷的Element UI表单设计及代码生成解决方案,使用户能够快速地设计和生成表单代码。系统采用Vue作为前端框架,同时融合了HTML、CSS和JavaScript等技术,构建了一个稳定、易用的表单设计工具。 立即下载

相关推荐

CocosCreator视频播放黑屏?手把手教你封装VideoPlayer组件解决Web环境问题

本文针对Cocos Creator在Web环境下视频播放黑屏等常见问题,提供了一套工程化的VideoPlayer组件封装解决方案。文章深入剖析了浏览器自动播放策略、DOM样式隔离等核心挑战,并手把手教你实现一个健壮的管理器,涵盖兼容性处理、性能优化与内存管理,确保视频播放稳定流畅。

plum99的博客 601

【Vue工程】009-Plop 代码生成器

Plop 是一个用于生成代码文件的可配置的脚手架工具。它可以帮助开发人员自动创建代码文件、模板和代码片段,从而提高开发效率。Plop 的工作原理是通过定义称为 “生成器”(generators)的脚本来生成代码文件。每个生成器定义了一组操作和模板,用于生成特定类型的文件或代码片段。当你运行 Plop 命令时,它会根据你的选择执行相应的生成器,并根据模板和操作的定义创建文件。

訾博(ZiBo)的博客 1415

信息安全-入侵检测技术原理与应用

入侵检测技术原理与应用、入侵检测概述、入侵检测技术、入侵检测系统组成与分类、入侵检测系统主要产品与技术指标、入侵检测系统应用

我的个人博客 1万+

前端界面直接生成源码?用这个工具直接生成VUE代码,简单易用

当然我们不能指望这东西生成的代码完全符合我们的要求,这个后面肯定要改的。首先,我要向大家说明的是iVX并不是一个免费的软件,因为当你使用它的发布按钮时你会发现它是需要钱的。我个人之所以喜欢这个工具,很大原因是我是一个后台开发者,前端的东西感觉很复杂又不想碰,所以选择了iVX,如果你跟我一样的话,那么是个不错的选择。在iVX的官网上有它的详细教程,这个教程可以方便我们很快的学会它这个界面编程。前面也讲了,本身iVX是通过界面拖拽的方式来自动生成代码的,使用VB6以及C#的同学应该都知道,很方便。

apy29的博客 5700

Transformer模型详解(图解最完整版)

Transformer由论文提出,现在是谷歌云TPU推荐的参考模型。论文相关的Tensorflow的代码可以从GitHub获取,其作为Tensor2Tensor包的一部分。哈佛的NLP团队也实现了一个基于PyTorch的版本,并注释该论文。在本文中,我们将试图把模型简化一点,并逐一介绍里面的核心概念,希望让普通读者也能轻易理解。Transformer 与 RNN 不同,可以比较好地并行训练。

2501_91695094的博客 2704

【Verilog】valid-ready双向握手机制 ——很绕但是很有意思

valid-ready双向握手机制。

GalaxyerKw的博客 1万+

Vue源码阅读(14):代码生成器

代码生成器是模板编译的最后一步,所做的工作是根据 AST(抽象语法树)生成代码字符串,这个代码字符串就是 render 函数的代码内容,代码字符串可以通过 new Function(code) 生成真正的 render 函数。 render 函数的作用是生成 vnode(虚拟 DOM),vnode 可以理解成真实 DOM 的抽象表示,通过 vnode 可以在页面上渲染出对应的真实 DOM,使用 vnode 的好处是:Vue 可以根据新旧vnode 之间的差异计算出哪些真实DOM 需要更新,然后只更新需..

f18855666661的博客 2832

多边形裁剪算法

多边形裁剪算法 刚参加工作就跟多边形刚上了,对于多边形的裁剪做一些简单的总结。 多边形裁剪主要有四种算法 Greiner-Hormann裁剪算法 Sutherland-Hodgman算法 Vatti裁剪算法 Weiler-Atherton裁剪算法 作为一名想要成为优秀算法工程师的程序员,我们不能只会使用,而不知道其原理,倘若如此,我们无法做到应用于本身业务上的定制化的修改。 Greiner–H...

papalqi 6729

vue代码生成器

直接根据swagger api生成vue代码 前要 目前的代码生成器基本上是基于数据库表格来生成对应的前后台代码,好处是前后台一次性搞定.但实际开发中,很多的业务是需要连表的,所以这种情况来说,根据接口直接生成前代码,就免除了与后台接字段的时间,也免除了很复制操作. 由此,我生出编写根据接口生成前端代码生成器的想法. 因为我司api文档有两种,前端又有vue2+element和vue3+ant+ts两种框架,由此,扩展出三种代码生成器. 思路 前端代码生成器,简单的说: ..

积水成海,积土成岳 1万+

【TCAD】AlGaN 器件的Sentaurus仿真

否则,必须在 LatticeParameters Sentaurus Device 的参数文件中的部分。Sentaurus Device 有两个工具实例:第一个工具实例, sd_fdiv ,模拟正向偏置特性,第二个工具实例, sd_rviv ,模拟反向偏置特性直至击穿。对于牛顿求解器,通常应该将非线性迭代次数限制为一个足够小的值,例如 Iterations=20 ,同时通过指定非阻尼迭代次数高于允许的牛顿迭代次数来避免解的阻尼( NotDamped=30 )。晶胞中的 Ga-N 键为橙色。

荷塘阅色 1215

实时数字人SoulX-FlashHead 音视频不对齐解决

【代码】实时数字人SoulX-FlashHead 音视频不对齐解决。

jacke121的专栏 202

推荐一个基于SpringBoot + Mybatis + Vue的代码生成器

推荐一个基于SpringBoot + Mybatis + Vue的代码生成器 转载:https://mp.weixin.qq.com/s/8Lp41FmsX0Gk_9TVmMVFkQ 转载理由:真实用

Object的博客 232

jsqlparser 版本不兼容:net.sf.jsqlparser.statement.select.SelectItem 以及 select.SelectBody 解决方法

看Bug直接定位到最后面的错误提示,一开始以为是UnabletostartembeddedTomcat的基本错误,后续发现排查方向错误!问题比较复杂,不过这类问题可看:出现WebServerException:UnabletostartembeddedTomcat解决方法(全)

码农研究僧的博客 2673

Spring Boot + Mybatis + Vue 的代码生成器(逆向工程)

Spring Boot + Mybatis + Vue 的代码生成器 参考网址 https://mp.weixin.qq.com/s?__biz=MzUxNjg4NDEzNA==&mid=2247488855&idx=1&sn=8fae4cff41c39c9f14e51c7d29b64b19&chksm=f9a1c69eced64f8813f68c300e5b80279a540d48a94a42f96cce5ab310e91fee77151cbbc2b1&mpsha

java技术博客 1000

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

一个基于SpringBoot + Mybatis + Vue的代码生成器

点击上方蓝色“肉眼品世界”,选择“设为星标”回复“666”加群code-gen一款代码生成工具,可自定义模板生成不同的代码,支持MySQL、Oracle、SQL Server、Postg...

weixin_45727359的博客 244

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

springboot连接sqlserver_推荐一个基于SpringBoot + MyBatis + Vue 的代码生成器

简介一款代码生成工具,可自定义模板生成不同的代码,支持MySQL、Oracle、SQL Server、PostgreSQL。只需要一个Java8环境,下载后即可运行使用。步骤简单,只需配置一个数据源,然后勾选模板即可生成代码。默认提供了通用的实体类、mybatis接口、mybatis配置文件模板,可以快速开发mybatis应用。使用步骤前往发行版页面,下载最新版本zip文件解压zip,如...

weixin_29385641的博客 452

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

推荐一个基于 SpringBoot + Mybatis + Vue 的代码生成器

点击▲关注 “爪哇笔记” 给公众号标星置顶更多摄影技巧第一时间直达简介一款代码生成工具,可自定义模板生成不同的代码,支持MySQL、Oracle、SQL Server、Postgr...

不是太高的手的专栏 618

SpringBoot + Mybatis + Vue 代码生成器

一款代码生成工具,可自定义模板生成不同的代码,支持MySQL、Oracle、SQL Server、PostgreSQL。 只需要一个Java8环境,下载后即可运行使用。 步骤简单,只需配置一个数据源,然后勾选模板即可生成代码。 默认提供了通用的实体类、mybatis接口、mybatis配置文件模板,可以快速开发mybatis应用。 用到的技术:SpringBoot + Mybatis + Vue 使用步骤 前往发行版页面],下载最新版本zip文件(关注公众号: 知识追寻者,后台回复 : gen )

知识追寻者(Inheriting the spirit of open source, Spreading technology knowledge;) 432

一个基于SpringBoot + MyBatis + Vue的代码生成器

往期热门文章:1、《往期精选优秀博文都在这里了!》 2、Redis 分布式锁使用不当,超卖了100瓶飞天茅台!!! 3、数据库读写分离的这些坑,让我一脸懵逼! 4、接口的幂等性的N种考虑...

Java后端技术 708

开源一个SpringBoot + Mybatis + Vue的代码生成器

这里,推荐一款代码生成工具,可自定义模板生成不同的代码,支持MySQL、Oracle、SQL Server、PostgreSQL。 1、只需要一个Java8环境,下载后即可运行使用。 2、步骤简单,只需配置一个数据源,然后勾选模板即可生成代码。 3、默认提供了通用的实体类、mybatis接口、mybatis配置文件模板,可以快速开发mybatis应用。 使用步骤 前往发行版页面,下载最新版本zip文件 解压zip,如果是Mac/Linux操作系统,运行startup.sh文件启...

Java码农之星 290

推荐一款 SpringBoot + Mybatis + Vue的代码生成器

简介 一款代码生成工具,可自定义模板生成不同的代码,支持MySQL、Oracle、SQL Server、PostgreSQL。 只需要一个Java8环境,下载后即可运行使用。 步骤简单,只需配置一个数据源,然后勾选模板即可生成代码。 默认提供了通用的实体类、mybatis接口、mybatis配置文件模板,可以快速开发mybatis应用。 使用步骤 前往发行版页面,下载最新版本zip文件 解压zip,如果是Mac/Linux操作系统,运行startup.sh文件

qq_21535085的博客 393

SpringBoot + Mybatis + Vue的代码生成器

简介 一款代码生成工具,可自定义模板生成不同的代码,支持MySQL、Oracle、SQL Server、PostgreSQL。 只需要一个Java8环境,下载后即可运行使用。 步骤简单,只需配置一个数据源,然后勾选模板即可生成代码。 默认提供了通用的实体类、mybatis接口、mybatis配置文件模板,可以快速开发mybatis应用。 使用步骤 前往发行版页面,下载最新版本zip文件 解压zip,如果是Mac/Linux操作系统,运行startup.sh文件

风水道人 755
上一篇: 推荐一款神仙颜值的 Redis 客户端工具
下一篇: 实战:使用 Nginx 限流
公众号-芋道源码
博客等级 码龄10年 1637粉丝 377原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值